平台应解决的核心问题
避免各部门重复采购模型和知识库，统一身份、权限、数据接口、模型调用、安全审计与评测；同时保留业务部门对知识内容和流程的责任。
不是“一个聊天框”。高校AI平台的价值在于业务智能体能否在授权范围内使用可靠知识、调用工具、完成流程并留下可审计记录。
PILLAR GUIDE · UNIVERSITY AI PLATFORM
高校人工智能平台建设完整指南
高校人工智能平台是统一承载模型、知识、数据、工具、智能体、评测和安全治理的校级能力底座。合理路径是从一个高频、低风险、可评价的业务场景试点，再逐步形成跨部门可复用的AI能力。
六层参考架构
算力与模型数据与知识工具与接口智能体与流程评测与运营
安全治理贯穿所有层：统一身份、最小权限、数据分类分级、内容边界、操作日志、版本和应急处置不能后补。
- 模型层支持按任务选择模型并记录版本、费用与效果。
- 知识层处理来源、授权、切分、更新、引用和失效。
- 工具层连接教务、学工、科研、就业等系统，但关键写操作必须确认。
- 智能体层编排角色、提示词、知识、工具、记忆与人工节点。
七步建设
- 明确校级目标、责任部门和首批业务场景。
- 盘点系统、接口、数据、知识、账号与制度。
- 制定平台架构、部署方式、模型策略和安全边界。
- 建设统一身份、知识、工具、智能体和日志能力。
- 为每个场景建立测试集、拒答规则和人工复核流程。
- 小范围试运行，记录准确性、完成率、响应和风险问题。
- 形成运营组织、更新流程、成本看板和扩展标准。
部署方式怎么选
- 私有化：适合敏感数据、高度集成和自主运维要求，需评估算力、模型更新与团队能力。
- 混合部署：敏感知识和关键业务留在校内，通用模型按策略调用，重点是网关与数据边界。
- SaaS：适合低敏感试点和快速验证，需明确数据存储、删除、导出和退出机制。
交付与验收
平台能力模型、知识、工具、智能体统一管理。
治理能力身份、权限、日志、评测与风险处置。
运营能力责任人、知识更新、成本与效果复盘。
验收应使用约定场景和测试数据，检查来源引用、越权拒绝、关键动作确认、接口异常、知识更新、日志检索与恢复。不要只验收页面或演示脚本。
采购参数建议
写清场景、角色、数据范围、模型接入、知识更新、工具接口、并发与响应条件、安全等级、迁移培训、试运行和服务边界。性能指标需同时说明硬件、模型、输入长度和测试方法。
本文为通用建设方法。具体网络安全、数据合规和采购要求应由学校主管部门结合最新法律政策及校内制度确认。
常见问题
应该先建设平台还是先做场景？
先定义场景和共性能力，再用一个试点验证平台架构，避免先搭“大而全”底座却缺少实际使用。
是否必须私有化部署大模型？
不一定。部署取决于数据敏感度、系统集成、性能、成本和运维能力，应采用分类决策。
如何判断智能体可以上线？
需要业务测试集、风险测试、权限检查和人工试运行共同通过，并建立上线后的监测与回退机制。
信息来源与更新原则
建设时优先使用国务院、教育部、人社部等主管部门正式文件、现行法律法规与标准、学校制度、经授权业务数据及专家审议记录。政策与技术持续变化，具体要求以发布机关最新原文和学校主管部门意见为准。